基于IB-SURF算法的無人機(jī)圖像拼接技術(shù)研究

江 智，江德港，黃子杰，郭彩玲，李柏林

1.西南交通大學(xué) 唐山研究生院，河北 唐山 063000

2.唐山學(xué)院 河北省智能裝備數(shù)字化設(shè)計及過程仿真重點(diǎn)實(shí)驗(yàn)室，河北 唐山 063000

3.西南交通大學(xué) 機(jī)械工程學(xué)院，成都 610000

近些年，由于無人機(jī)航拍技術(shù)迅速發(fā)展，其被廣泛應(yīng)用于自然災(zāi)害應(yīng)急、地形勘測、特定目標(biāo)定位、危險區(qū)域巡航等相關(guān)領(lǐng)域。無人機(jī)因其輕、小、靈的優(yōu)點(diǎn)可以到達(dá)眾多非常規(guī)區(qū)域。但在航拍中，無人機(jī)受自身飛行高度、相機(jī)視角等參數(shù)的限制，單張拍攝圖像的視野過小，無法顯示更完整的信息。因此，為了獲取所需信息，得到覆蓋更廣、更為完整的航拍圖像，需要將多張拍攝的圖像拼接在一起，獲得寬視角的圖像[1-3]。圖像拼接[4]是指將一系列相互有部分重疊區(qū)域的圖像拼接成一幅高分辨率寬視角的圖像。

圖像拼接技術(shù)自問世以來經(jīng)過四十多年的發(fā)展，已經(jīng)形成了很多成熟的算法，無人機(jī)圖像拼接與傳統(tǒng)的圖像拼接方法相比具有一些獨(dú)特的優(yōu)勢。無人機(jī)攜帶機(jī)載GPS，每張航拍圖像都包含POS 信息，有效利用可以提高圖像拼接的準(zhǔn)確性和速度。Wang等[5]結(jié)合SIFT和Harris算法提取圖像特征點(diǎn)，利用POS數(shù)據(jù)對進(jìn)行圖像幾何校正，從而實(shí)現(xiàn)特定區(qū)域的圖像拼接。

目前最為主流的方法是基于特征點(diǎn)的特征提取方法[6]。常用的特征點(diǎn)提取方法有SIFT[7]（scale-invariant feature transform）、SURF[8]（speed-up robust features）、ORB[9]（oriented FAST and rotated BRIEF）和KAZE[10]算法等。這些算法經(jīng)過工程中的反復(fù)使用已證明了其先進(jìn)性和可靠性，但在特征提取和特征匹配方面仍存在一些問題。文章針對SURF 算法展開重點(diǎn)研究，首先SURF算法在特征提取階段存在著計算復(fù)雜度高和特征選取精度不足的情況[11]。圖像拼接的有效區(qū)域僅為圖像間的重疊部分，然而SURF算法提取特征針對整幅圖像進(jìn)行特征檢測，增加了特征提取的范圍，算法的耗時和復(fù)雜度隨之上升，且重疊區(qū)域之外的特征點(diǎn)也會增加特征誤匹配的概率。并且SURF 算法所提取的特征點(diǎn)中包含一些低對比度和不穩(wěn)定的響應(yīng)點(diǎn)[12]，這些特征點(diǎn)對圖像配準(zhǔn)的貢獻(xiàn)甚微。一些改進(jìn)方法被提出用以解決上述問題，丁小奇等[13]針對傳統(tǒng)SURF 算法初始特征點(diǎn)選取精度不足的問題提出改進(jìn)方案，優(yōu)化高斯模糊的過程，進(jìn)而形成新的尺度空間生成方式，該方法有效提高了特征點(diǎn)選取精度，特征匹配正確率也有所提升，但該方法沒有解決SURF算法耗時長的問題。潘梅等[14]提出一種改進(jìn)Harris-SURF 的圖像拼接算法，利用改進(jìn)的Harris 算子提取特征點(diǎn)，使用SURF 算法生成64 維特征向量，通過限制角點(diǎn)位置和個數(shù)提高特征描述和匹配項(xiàng)率。其次，SURF 算法特征匹配的準(zhǔn)確率較低[15]。在特征提取階段大量特征點(diǎn)的初始化導(dǎo)致匹配誤差增加，特征匹配率隨之降低。針對該問題，Shao等[16]利用無人機(jī)圖像的位姿信息來確定特征點(diǎn)的位置范圍，然后在特征點(diǎn)鄰域窗口內(nèi)搜索候選點(diǎn)，并使用特征匹配的閾值來過濾錯誤匹配。這種方法大大提高了匹配精度，然而先后兩次進(jìn)行配準(zhǔn)，使得算法較為耗時。An 等[17]提出了一種結(jié)合優(yōu)化SURF 和改進(jìn)細(xì)胞加速的冪函數(shù)加權(quán)圖像拼接方法，首先利用余弦相似度初步判斷特征點(diǎn)的相似度，然后利用雙向一致性互選再次過濾特征點(diǎn)對，同時消除了反向匹配中的一些不正確匹配點(diǎn)，但該方法并未解決特征點(diǎn)有效性差和精度低的問題。

因此，針對傳統(tǒng)SURF算法在拼接高分辨率無人機(jī)航拍圖像時運(yùn)行速度慢、特征匹配率低的問題提出改進(jìn)方法。結(jié)合無人機(jī)圖像POS數(shù)據(jù)，提出一種基于圖像分塊的特征提取方法，濾除無效特征點(diǎn)和低響應(yīng)值特征點(diǎn)，提高有效特征點(diǎn)的占比和質(zhì)量；在特征匹配階段增加運(yùn)動平滑性約束，利用鄰域信息改進(jìn)KNN算法，減少算法迭代次數(shù)，高效匹配特征點(diǎn)。

1 基于特征提取的SURF算法

SURF算法是在SIFT的基礎(chǔ)上改進(jìn)而來，是一種穩(wěn)健的局部特征點(diǎn)檢測和描述算法。SURF算子保留了SIFT算子優(yōu)良的性能特點(diǎn)，通過構(gòu)造Hessian 矩陣[18]檢測極值點(diǎn)，同時引入積分圖[19]的概念；改進(jìn)并降低了特征描述子的維數(shù)，特征儲存空間減少，解決了SIFT算法計算復(fù)雜度高、實(shí)時性差的缺點(diǎn)。下面主要介紹Hessian矩陣。

設(shè)X＝(x,y)為圖像上一點(diǎn)，尺度為σ的Hessian 矩陣H(x,σ)定義為：

其中，Lxx(x,σ)表達(dá)式為：

式中，尺度為σ的高斯函數(shù)表達(dá)式為：

求出每個像素點(diǎn)Hessian矩陣的判別式：

2 IB-SURF算法

SURF算法雖然在旋轉(zhuǎn)不變性、光照不變性、尺度不變性和穩(wěn)定性[20]上有良好的性能，但在特征提取階段，存在特征點(diǎn)數(shù)量多的問題，影響了特征提取和特征匹配的效率，導(dǎo)致SURF 算法的實(shí)時性較差。因此，提出一種改進(jìn)特征提取方法的IB-SURF算法，具體算法流程如圖1所示。與傳統(tǒng)SURF算法相比，在特征提取階段，將基于整張圖像的特征提取改為基于重疊區(qū)域的特征提取，并增加了特征篩選的環(huán)節(jié)，基于圖像分塊選擇局部區(qū)域特征響應(yīng)值最大的點(diǎn)作為特征點(diǎn)，提高特征匹配率，優(yōu)化特征點(diǎn)分布。

圖1 算法流程圖Fig.1 Algorithm flowchart

2.1 基于POS的無人機(jī)圖像位置計算

無人機(jī)POS 數(shù)據(jù)即記錄無人機(jī)拍照瞬間的三維坐標(biāo)：經(jīng)度(L0)、緯度(B0)、飛行高度(A)及飛行姿態(tài)：航向角(k)、俯仰角(ψ)和翻滾角(ω)。無人機(jī)照片包含寬度(W0)、照片高度(H0)、相機(jī)焦距(F)等信息，另外飛行時地面平面高程(A0)、相機(jī)旁向開角(θ)和航向開角(δ)已知?；谝陨闲畔⒖梢杂嬎銦o人機(jī)圖像投影到地面后的地理位置。

經(jīng)過俯仰、側(cè)偏及航向角改正后的飛行影像中心點(diǎn)平面坐標(biāo)(X,Y)可以通過以下公式計算得到：

式中，X0、Y0是圖像的中心坐標(biāo)，Xa、Ya是X和Y方向的俯仰改正，Xb、Yb是X和Y方向的側(cè)偏改正。

左上角平面坐標(biāo)(X1,Y1)的表達(dá)式為：

式中，W1、W2為側(cè)偏距離覆蓋，H1、H2為俯仰覆蓋距離。

同理可獲得其他三個角點(diǎn)(X2,Y2)、(X3,Y3) 和(X4,Y4)的坐標(biāo)。根據(jù)公式（5）、（6），得到了無人機(jī)圖像四個角點(diǎn)投影到地面的平面坐標(biāo)，如圖2。

圖2 基于地面的無人機(jī)圖像坐標(biāo)圖Fig.2 Ground-based UAV image coordinate map

2.2 重疊區(qū)域檢測特征點(diǎn)

通過無人機(jī)獲取的航拍圖像兩兩之間存在部分重疊區(qū)域，重疊區(qū)域是圖像拼接的依據(jù)和基礎(chǔ)，也是有效特征點(diǎn)分布的區(qū)域。原有的SURF 算法是基于整張圖像檢測特征點(diǎn)，擴(kuò)大了特征點(diǎn)提取的范圍，導(dǎo)致特征匹配階段存在較多無效特征點(diǎn)，嚴(yán)重增加了特征匹配時間。由航拍所獲得的每幅圖像都帶有POS 數(shù)據(jù)，借助POS數(shù)據(jù)求取無人機(jī)航拍圖像的重疊區(qū)域。

兩圖的位置關(guān)系如圖3所示，基準(zhǔn)圖像a的中心坐標(biāo)為(Xa,Ya)，待拼接圖像b的中心坐標(biāo)為(Xb,Yb) 。無人機(jī)圖像投影到地面后的中心坐標(biāo)和四個角點(diǎn)坐標(biāo)在2.1節(jié)中已經(jīng)獲取。兩幅航拍圖像的位置關(guān)系按照大地坐標(biāo)系設(shè)定，藍(lán)色部分為重疊區(qū)域。

圖3 大地坐標(biāo)系下的圖像關(guān)系Fig.3 Images relationship in geodetic coordinate system

SURF 算法是針對整張圖像提取特征點(diǎn)，因此需要構(gòu)造一個特定的掩膜用于在重疊區(qū)域檢測特征點(diǎn)。特征點(diǎn)提取的區(qū)域僅為重疊區(qū)域，不僅減少了特征提取耗時，而且提高了有效特征點(diǎn)的占比，為提高特征匹配效率提供了技術(shù)支撐。

2.3 特征點(diǎn)篩選

為了減少特征點(diǎn)匹配中誤匹配和匹配偏差，傳統(tǒng)的方法通過增加特征匹配的次數(shù)來保證其魯棒性，提取并匹配比需要更多的特征點(diǎn)，然后利用RANSAC（random sample consensus）等方法過濾掉不正確的匹配。然而，大量特征點(diǎn)的初始化增大了計算的復(fù)雜程度[16]。該問題可采用圖像分塊的方法解決。

基于圖像分塊的思想，將圖像重疊區(qū)域分成5×5網(wǎng)格（見4.2節(jié)）。由SURF算法計算出每一個特征點(diǎn)的響應(yīng)值Pi.response，對于圖像的每一分塊，比較該分塊內(nèi)所有特征點(diǎn)響應(yīng)值的大小，確定響應(yīng)值最大的特征點(diǎn)Pmax。因此每個分塊內(nèi)僅剩一個特征點(diǎn)，該特征點(diǎn)是該分塊內(nèi)響應(yīng)值最大的特征點(diǎn)，流程如圖4 所示，n為網(wǎng)格數(shù)量，m為每個網(wǎng)格內(nèi)特征點(diǎn)的數(shù)量。響應(yīng)是特征提取器作用于圖像的結(jié)果，響應(yīng)大的特征點(diǎn)更加顯著和可辨，這些特征點(diǎn)之間的特征匹配成功率更高。

圖4 特征點(diǎn)篩選流程Fig.4 Flowchart of feature point screening

由此完成了特征點(diǎn)的篩選，IB-SURF算法通過構(gòu)造掩?？s小了特征提取的范圍，進(jìn)而減少特征提取耗時，并借助圖像分塊的思想，對每一分塊內(nèi)的特征點(diǎn)進(jìn)行比較篩選，極大精簡了特征點(diǎn)的數(shù)量，過濾掉大量冗余信息。圖像分塊也使得特征點(diǎn)的分布更加均勻。與傳統(tǒng)SURF 算法大量提取初始特征點(diǎn)相比，基于圖像分塊所獲取的特征點(diǎn)更為顯著，質(zhì)量更高，既降低了算法的復(fù)雜度，也為特征點(diǎn)的正確匹配提供技術(shù)保證。

3 Neighborhood-KNN特征匹配

傳統(tǒng)的K近鄰（KNN）算法是從所有的訓(xùn)練樣本中找出和未知樣本最近的K個樣本，將K個樣本中出現(xiàn)最多的類別賦給未知樣本[21]。然而這種方法需要每次都遍歷配準(zhǔn)圖像中的所有特征點(diǎn)，極大地增加了算法的復(fù)雜度。

因此，利用鄰域信息改進(jìn)KNN 算法，在特征匹配時增加運(yùn)動平滑性約束，縮小特征匹配區(qū)域。正確的匹配在運(yùn)動空間中是平滑的，運(yùn)動平穩(wěn)相鄰的特征在運(yùn)動空間中具有一致性[22]，相鄰特征點(diǎn)對應(yīng)的匹配特征點(diǎn)的區(qū)域也是相鄰的。因此，相鄰特征點(diǎn)對應(yīng)的匹配特征點(diǎn)的區(qū)域也是相鄰的。從而，參考圖像中的特征點(diǎn)搜索出待配準(zhǔn)圖像中與之匹配的特征點(diǎn)后，該特征點(diǎn)鄰域內(nèi)的所有特征點(diǎn)只需在待配準(zhǔn)圖像中匹配點(diǎn)的鄰域內(nèi)進(jìn)行搜索即可。特征匹配示意圖見圖5，假設(shè)特征點(diǎn)O的待匹配點(diǎn)為點(diǎn)P，則與O點(diǎn)在同一鄰域內(nèi)的特征點(diǎn)Q只需在特征點(diǎn)P的3×3鄰域內(nèi)搜索待匹配點(diǎn)即可。

圖5 特征匹配示意圖Fig.5 Feature matching diagram

4 實(shí)驗(yàn)結(jié)果及分析

4.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)所用圖像共分為三部分，第一部分為自采數(shù)據(jù)集，由大疆Air 2 無人機(jī)拍攝，分辨率為5 472×3 648 的JPG 格式圖像，拍攝高度為100 m，地處東經(jīng)118°9′52″，北緯39°39′23″，一個架次采集圖像約200 張，相鄰圖像平均重疊率為79.605%，如圖6（a）和圖6（b）。第二部分是使用大疆PHANTOM 3獲取云南西雙版納的20張圖像組成的序列，圖像分辨率為4 000×3 000，拍攝高度約為780 m，相鄰圖像平均重疊率為85.108%，如圖6（c）。第三部分是使用eBee Classic 無人機(jī)在一個名為Merlishachen 的瑞士小村莊采集的數(shù)據(jù)集，圖像分辨率為4 608×3 456，并經(jīng)過Pix4D軟件處理。一次飛行采集約300張圖像，飛行高度約660 m，相鄰圖像平均重疊率為76.803%，如圖6（d）和圖6（e）。

圖6 實(shí)驗(yàn)圖像Fig.6 Experimental UAV images

實(shí)驗(yàn)運(yùn)行環(huán)境采用CPU為AMDR7-5800H，3.2 GHz，內(nèi)存為4 GB，64位Win10操作系統(tǒng)的PC機(jī)。實(shí)驗(yàn)的算法基于OpenCV2.4.13實(shí)現(xiàn)，編程語言為C++，編程環(huán)境為Visual Studio 2013。

文章選擇傳統(tǒng)SURF 算法、ORB 算法、Improved SIFT算法（ISIFT）和基于重疊區(qū)域的局部拼接（OLS）[23]算法作為比較對象。ISIFT算法在確定候選特征點(diǎn)的過程中通過設(shè)置自適應(yīng)閾值來剔除一些梯度響應(yīng)不顯著的點(diǎn)，從而降低了算法的復(fù)雜度。引入BBF（best bin first）算法來尋找最近鄰和次最近鄰，并在尋找匹配點(diǎn)的過程中使用RANSAC 來優(yōu)化特征點(diǎn)的選擇；OLS 算法在拼接圖像時不需要將整個重疊區(qū)域精準(zhǔn)對齊，只需在重疊區(qū)域中尋找一個可以將圖像拼接在一起的局部區(qū)域即可。OLS 能夠找到允許最佳拼接的局部區(qū)域局部拼接采用混合對齊模型，為處理視差和局部失真提供了靈活性。

4.2 網(wǎng)格密度

圖像分塊劃分網(wǎng)格時，網(wǎng)格的數(shù)量會對算法產(chǎn)生重要影響。網(wǎng)格數(shù)量過多，增加算法的復(fù)雜度，用時隨之增加；網(wǎng)格數(shù)量過少，特征點(diǎn)匹配率下降，進(jìn)而影響圖像拼接質(zhì)量。因此選擇一個恰當(dāng)?shù)木W(wǎng)格密度至關(guān)重要。如圖7 所示，以特征提取時間和匹配率作為衡量標(biāo)準(zhǔn)，繪制折線圖。由圖可知，當(dāng)網(wǎng)格密度小于等于5×5 時，特征提取用時較短，匹配率遞增。當(dāng)網(wǎng)格密度大于5×5時，雖然匹配率仍在增加，但特征提取用時大幅增加，嚴(yán)重影響算法的效率。綜合考慮兩參數(shù)的影響，最終選擇網(wǎng)格密度為5×5，即25。

圖7 網(wǎng)格密度影響Fig.7 Effect of grid density

4.3 特征提取用時對比分析

表1給出了分別使用SURF、ORB、ISIFT、OLS和文章提出的算法對圖6 中的五組數(shù)據(jù)進(jìn)行特征提取的用時比較。從表1可以看出ORB算法的計算復(fù)雜度最低，IB-SURF 算法次之，其次是ISIFT 和OLS。SURF 算法提取特征點(diǎn)的時間最長。這是因?yàn)镺RB 算法采用FAST 方法檢測特征點(diǎn)，且在特征描述時只需對特征點(diǎn)的鄰域進(jìn)行二值測試，因而特征提取耗時最短。與SIFT算法相比，SURF算法通過改進(jìn)尺度空間的構(gòu)造方法，降低了特征描述子的維數(shù)，因此在特征提取速度上得到了較大改善。但I(xiàn)SIFT通過設(shè)定自適應(yīng)閾值過濾掉大量低質(zhì)量特征點(diǎn)。因此，ISIFT 的特征提取效率顯著提高。OLS 首先找到一個最佳局部單應(yīng)性和一個與該單應(yīng)性松散擬合的特征點(diǎn)子集。OLS 在重疊區(qū)域的局部區(qū)域中檢測特征點(diǎn)，故而特征提取區(qū)域大大減少。但是尋找最佳局部單應(yīng)性是極為耗時的，使得OLS的特征提取速度介于ISIFT和SURF之間。

表1 特征提取用時比較Table 1 Comparison of computational complexity for point extraction單位：s

IB-SURF 算法特征提取的結(jié)果如圖8，這種特征點(diǎn)分布方式有利于特征之間的配準(zhǔn)。

圖8 特征提取結(jié)果Fig.8 Results of feature point extraction

4.4 特征匹配速度對比分析

如表2 所示，給出了分別使用SURF 算法、ORB 算法、ISIFT算法、OLS算法和文章所提算法對圖6中五組數(shù)據(jù)進(jìn)行特征匹配用時比較。從表中可以看出，對于以上五組數(shù)據(jù)，IB-SURF 算法在特征匹配時用時最短，OLS算法次之，依次是ORB算法、ISIFT算法和SURF算法。IB-SURF 算法由于在特征檢測時對特征點(diǎn)進(jìn)行了精簡篩選，減少了特征匹配階段算法的計算量和工作量。同時，Neighborhood-KNN 算法大大減少了搜索特征點(diǎn)的迭代次數(shù)。因此，特征匹配的效率得到了顯著提高。OLS 算法特征匹配時涉及的特征點(diǎn)是重疊區(qū)域中局部特征點(diǎn)子集，這極大降低了算法的復(fù)雜性，并確保了在很短的時間內(nèi)完成特征匹配。ORB使用BRIEF算法計算描述子，該描述子特有的二進(jìn)制串的表現(xiàn)形式不僅節(jié)約了存儲空間，而且縮短了匹配用時。SURF 算法和SIFT算法分別生成64維和128維的特征描述子[24]，所占儲存空間大，算法冗雜，匹配耗時長。ISIFT在特征提取過程中設(shè)置了閾值，減少了特征匹配的工作量，因此匹配速度略高于SURF算法。

表2 特征匹配用時比較Table 2 Comparison of feature matching time單位：s

4.5 特征匹配率對比分析

圖9給出了使用五種算法對圖6的五組數(shù)據(jù)進(jìn)行特征匹配的結(jié)果。從圖中可以知道，在匹配率方面ORB算法和OLS算法的匹配率較低，在10%左右，ISIFT算法略高于SURF 算法，但匹配率仍較低，文章提出的算法具有最高的匹配率。ISIFT 采用BBF 進(jìn)行特征粗匹配，然后利用RANSAC 進(jìn)行特征精匹配。與傳統(tǒng)的SURF算法相比，提高了匹配性能，因此ISIFT的匹配率更高。OLS算法隨機(jī)選擇種子特征點(diǎn)，并對其空間上最接近的相鄰點(diǎn)進(jìn)行逐個分組。它使用了較大閾值的單應(yīng)性變換，以便將盡可能多的特征點(diǎn)分組，反而使得單應(yīng)性變換無法擬合這些特征對應(yīng)關(guān)系[25]。ORB 算法采用漢明距離[26]計算特征匹配度，所使用的BRIEF二進(jìn)制描述子雖具有較高的效率，但其在旋轉(zhuǎn)不變性、尺度不變性及穩(wěn)定性上較差，影響其匹配率。

圖9 特征匹配率比較Fig.9 Comparison of feature matching rate

與以上算法相比，IB-SURF算法的匹配率得到顯著提升，遠(yuǎn)高于傳統(tǒng)算法。這是因?yàn)樵谔崛√卣鼽c(diǎn)時對特征點(diǎn)進(jìn)行了精簡篩選，剔除了大量低對比度和不穩(wěn)定的響應(yīng)點(diǎn)，僅保留了局部區(qū)域特征響應(yīng)值最大的特征點(diǎn)，這些具有較大響應(yīng)值的特征點(diǎn)更易形成匹配對。圖10展示了SURF 算法改進(jìn)前后特征匹配對比圖，篇幅原因，每個數(shù)據(jù)集僅展示其中一組圖像。由圖可以得知，改進(jìn)前的SURF 算法有較多數(shù)量的特征點(diǎn)參與特征匹配，但存在大量的誤匹配和匹配偏差，匹配率和匹配正確率都較低。IB-SURF 算法除少量特征點(diǎn)未參與特征匹配外，絕大部分特征點(diǎn)都正確匹配，特征匹配正確率保持在非常高的值，超過95.1%。這在一定程度上得益于Neighborhood-KNN 算法，在減少迭代次數(shù)的同時降低了誤匹配的概率。

圖10 特征匹配結(jié)果Fig.10 Results of feature matching

5 結(jié)束語

針對使用SURF 算法在拼接高分辨率無人機(jī)圖像過程中出現(xiàn)的運(yùn)行時間長、匹配率低的情況，提出了一種基于圖像分塊的無人機(jī)圖像拼接算法，利用圖像分塊的思想篩選特征點(diǎn)，提高了特征提取的精度和效率。在特征匹配階段增加運(yùn)動平滑性約束，利用鄰域信息改進(jìn)KNN 算法，Neighborhood-KNN 算法的使用加快了特征匹配的速度和精度。利用自制數(shù)據(jù)集和兩個公開數(shù)據(jù)集對IB-SURF 算法進(jìn)行驗(yàn)證，并與傳統(tǒng)的SURF 算法、ORB 算法、ISIFT 算法和OLS 算法進(jìn)行比較。結(jié)果表明，IB-SURF 算法的計算復(fù)雜度顯著降低，圖像配準(zhǔn)時間可以減少到傳統(tǒng)SURF算法的一半以下，實(shí)現(xiàn)了算法的實(shí)時性能。特征匹配率和匹配精度大幅提高，平均特征匹配率達(dá)到84.3%，特征匹配準(zhǔn)確率超過95.1%。此外，提取的特征點(diǎn)分布更加均勻，有效解決了特征點(diǎn)分布集中的問題。

IB-SURF 算法的局限性在于無法有效地從色差較小的圖像中提取特征點(diǎn)，未來的研究將側(cè)重于探索小色差圖像的特征提取方法。